- 博客(14)
- 收藏
- 关注
RSS订阅原创 海洋预报大模型“羲和”
本文探讨了如何通过GitHub上的源代码实现海洋预报大模型“羲和”。“羲和”模型具有高分辨率、高性能以及推理速度快等显著特点。文章进一步阐述了如何从GitHub上获取相关代码，并通过扩展这些代码来实现“羲和”模型的具体步骤。这些扩展包括数据预处理、模型使用等环节，通过本文的介绍，读者将能够更快速地了解并掌握如何通过开源代码实现先进的海洋预报大模型“羲和”，进而推动海洋科学研究和海洋经济的发展。
2024-08-05 01:17:18
3531
3
原创 图像分类数据集
Fashion-MNIST中包含的10个类别，分别为t-shirt（T恤）、trouser（裤子）、pullover（套衫）、dress（连衣裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和ankle boot（短靴）。（test dataset）中的1000张图像组成。为了简洁起见，本书将高度h像素、宽度w像素图像的形状记为h×w或（h,w）。函数，用于获取和读取Fashion-MNIST数据集。以下是训练数据集中前几个样本的图像及其相应的标签。
2023-11-13 20:32:36
79
原创 softmax回归
大致指某些类别的表示方法由0和1组成——独热编码，，此为一个向量，分量和类别一样多，具体表现为一个1，其他全为0。如：(0,0,1) (0,1,0) (1,0,0)为了故计所有可能类别的条件概率，设立（类别*特征）个标量表示权重，以及（类别）个标量表示偏置。使预测规范化，输出都是非负且总和为1（以及 校准）。3.全连接层的参数开销。4.softmax运算。
2023-11-06 21:15:19
71
原创 线性回归的从零开始实现
在初始化参数之后，我们的任务是更新这些参数，直到这些参数足够拟合我们的数据。在每一步中，使用从数据集中随机抽取的一个小批量，然后根据参数计算损失的梯度。接下来，我们必须定义模型，将模型的输入和参数同模型的输出关联起来。回想一下，要计算线性模型的输出， 我们只需计算输入特征X和模型权重w的矩阵-向量乘法后加上偏置b。在我们开始用小批量随机梯度下降优化我们的模型参数之前， 我们需要先有一些参数。在下面的代码中，我们通过从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重， 并将偏置初始化为0。
2023-10-17 19:38:04
81
1
原创 线性代数
A.clone() A为原始对象名，clone()创建副本，中间用 “ . ” 连接。A.mean() == A.num()/A.numel() 求平均值的函数 或 元素求和除以总数。用于创建并返回一个对象的副本，这个副本具有和原始对象相同的数据，但是是一个新的对象，对其进行修改不会影响原始对象。A.T A为张量名，T为转置函数，运行结果为交换矩阵的行和列，即转置。的列维数（沿轴1的长度）必须与。
2023-10-10 21:39:08
343
1
原创 数据预处理
可以自动将此列转换为两列“Alley_Pave”和“Alley_nan”。巷子类型为“Pave”的行会将“Alley_Pave”的值设置为1，“Alley_nan”的值设置为0。缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。中的类别值或离散值，我们将“NaN”视为一个类别。由于“巷子类型”（“Alley”）列只接受两种类型的类别值“Pave”和“NaN”，其中每行描述了房间数量（“NumRooms”）、巷子类型（“Alley”）和房屋价格（“Price”）。
2023-10-09 20:29:03
64
1
原创 学习内容23/10/7
==” 的作用是将两个形状相同的张量同一位置的 元素 进行对比，同为True，不同为False，以此作为新张量中的元素。虽然我们讨论的是矩阵的索引，但这也适用于向量和超过2个维度的张量。X，Y是形状相同的两个张量，通过“==”进行连接，所得“X==Y”为一个新的相同形状的张量。如果我们想为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值。在浅层运用层面，将沿着数组中长度为1的轴进行广播，a是列，b是行。指向的张量，而是指向新分配的内存处的张量。，为结果分配新的内存，然后使。
2023-10-07 21:59:06
68
1
原创 每日学习内容23/9/27
torch.stack((多个张量名),dim=x) 意义是连结张量，进行堆叠，增加新的维度。stack可以连结多个且形状相同的张量。dim后“x”的意思是第x+1维度内进行连结。运算结果是 e^n ，即 e 的 n 次方 ，e是自然常数，n是单一元素值。注意：exp可以是多维张量，但任意维度内张量形状必须相同，否则报错。torch.exp(张量名)
2023-09-27 21:59:33
78
1
原创 数据操作
构建一个张量，形状由括号内数字大小和数量决定，其中每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样。用户自己创建一个张量，且张量内的值都是确定值。4.任意具有相同形状的张量之间的运算。3.print中换行。
2023-09-26 22:02:56
63
原创 每日学习内容23/9/25
ones创建的张量所有元素为1，zeros创建的张量所有元素为0。n的意义为该维度下元素的个数。括号内从右至左是1维，2维，至更高维度。使用方法：张量名.reshape(n1,n2,...,n3,n4)作用：改变张量形状，张量大小不变。即抽出所有元素进行重新排版输出。张量名.numel() 输出张量内元素个数。4.torch ones和zeros。
2023-09-25 22:05:20
76
1
原创 每日学习内容23/9/24
reshape(行数，列数) torch.matmul(矩阵变量名，矩阵变量名) torch.normal(平均值，标准差，输出张量) shape：行列数组成元组直接输出。shape[0] ：读取行数。shape[1]：读取列数。Tensor——张量。
2023-09-24 21:54:06
86
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人